圖工程（Graph Engineering）是什麼｜追查「提示詞會消失」這句話的出處

您好，我是TIMEWELL的濱本隆太。

有人給我看了一則在X上流傳的貼文截圖。內容把一句話歸給參與創建Google Brain的吳恩達（Andrew Ng）：「提示詞六個月內會消失，取而代之的是迴圈與圖。」註記說是出自史丹佛的兩小時演講。

圖是我們的核心技術，所以這句話對我們來說太好用了。正因為如此，我先去確認出處。結果先寫在前面。這句話，我找不到一手資料。

追查出處，卻走不到源頭

相同旨趣的貼文出自多個帳號。但把它們並排來看，文字並不一致。

「提示詞六個月內會消失。優秀的AI工程師早已在打造自我改善的迴圈。」「提示詞六個月內會消失，取而代之的是圖。」「三到六個月內所有人都會使用自我改善迴圈，不再有提示詞。」

**被取代的對象，每則貼文各不相同，時而是迴圈、時而是圖、時而兩者都提。**如果是同一場演講的聽眾引用同一句話，通常不會這樣分歧。我判斷這是傳話遊戲的徵兆。我查了吳恩達本人的帳號、DeepLearning.AI的發布，以及史丹佛方面的公告，都找不到對應這句話的一手資料¹。

這裡要謹慎地寫。**找不到，不等於證明他沒說過。**只是在我能查到的範圍內沒有，如此而已。但把無法確認的東西當作已確認來引用，後面整段論述都會站不穩。

寫可以確認的事實。DeepLearning.AI確實有一門「Agentic Knowledge Graph Construction」課程，與Neo4j共同開發，講師是該公司的Andreas Kollegger。吳恩達不是這門課的講師²。內容是使用Google的Agent Development Kit，設計多個代理，從結構化與非結構化資料中抽取節點與關係，建構出用來找出產品問題根因的知識圖譜。長度3小時8分，12支影片課²。

能確認為吳恩達本人主張的，是他在2024年整理的代理式工作流四種設計模式：Reflection（反思）、Tool use（工具使用）、Planning（規劃）、Multi-agent collaboration（多代理協作）³。

也就是說，撇開流傳那句話的真偽，用圖來組建系統的潮流確實存在，這一點是查得到的。接下來談內容。

圖工程到底是什麼

一句話說明：把資料設計成節點（事物）與邊（關係），讓關係本身成為檢索與推論的對象。

請先想像一般的RAG。把問句轉成向量，找出相似的文字。這是設計良好的機制，但這個做法少了一樣資訊：文件與文件之間的連結。

用例子比較快。假設你問「A公司的母公司的母公司是誰」。向量檢索會回傳含有「母公司」一詞、看起來相似的文件。運氣好的話剛好命中寫著答案的那份，但**從A走到B、再從B走到C這兩段追溯的動作本身，並不存在於相似度計算的任何地方。**相似與相連，是兩種不同的資訊。

圖在這裡不一樣。從A公司這個節點出發，沿著「是母公司」這條邊走到B公司，再走一次到C公司。答案不是找出來的，而是組出來的。實務上，這個差異決定能不能拿到答案的場合相當多。

工作的核心是綱要設計。要放哪些節點型別（公司、人、產品、案件、法規條文），要放哪些關係型別（出資、供應、核准、引用）。這裡草率的話，之後不管疊上多好的模型都出不了答案。前面那門課之所以以「讓代理抽取節點與關係」為主題，我想也是因為這個設計與抽取才是最耗工的部分。

跳過綱要會怎樣。常見的失敗是把關係型別全部併成一種「相關」。只記下A與B相關，就分不出是出資、是供應，還是單純出現在同一份文件裡。**邊沒有意義的圖，說到底和一堆點沒有差別。**反過來說，把關係型別確實分開的那一刻起，能走的問題就會大幅增加。

另一個容易被忽略的是時間。出資關係與供應關係都有起訖，什麼時候問，答案就不同。邊上沒有帶效期，就會用三年前已經解除的股權結構來做今天的判斷。事後一定會有人要求回到過去某個時點的狀態來確認，一開始就放進去比較便宜。

想先確認自家的出口管制體制現況，可以用出口管制體制免費檢測看一下，後半段讀起來會比較有實感。

「迴圈與圖」其實是兩個不同的層

流傳的貼文之所以令人困惑，在於它把迴圈與圖並排講。這兩者不是同一層的東西。

圖講的是知識的結構，也就是系統以什麼形式保有「什麼與什麼如何相連」。迴圈講的是執行的控制，也就是不以一次輸出為終點，而是評估結果再跑一次。用吳恩達的四種模式來說，Reflection接近迴圈那一側，Planning接近圖那一側³。

兩者並用的設計當然存在，但「提示詞會被迴圈與圖取代」這種說法，把層級不同的兩件事收進了同一個主詞。就我個人而言，提示詞不會消失，改變的是提示詞被放在哪裡，這樣理解比較貼近實作。人不必每次在對話框裡打長文，圖的結構與迴圈的控制承接了大部分工作。提示詞本身留在系統內側。

出口管制原本就是圖的問題

接下來是我們實際動手的領域。

出口管制的往來對象查核，本質上就是圖的問題。這不是比喻，是制度本身長成這個形狀。

最清楚的例子是美國BIS的50%規則。它不只看列入名單的事業體直接持有50%以上的子公司，而是合計受控關係來判斷。也就是說，眼前的往來對象即使不在名單上，只要往上追溯股東時出現名單上的事業體，影響就會及於此。這正是沿著股東的邊、檢查是否可達的作業。制度細節與計算範例整理在BIS 50%規則完整解析。

實質受益人的辨識也是同樣結構。要一路追溯到法人背後的自然人，因此會往上走好幾層。

兩者都無法用文件相似度檢索解決，這是原理上的限制。問「這家公司危險嗎」而拿回相似的文件，股權的連鎖依然沒有被追溯。只能沿著邊走。

本公司的出口管制AI代理TRAFEED以知識圖譜為基礎，原因就在這裡。它擁有涵蓋論文9,000萬件、專利1億件、研究人員30萬人在內、超過2億件的知識圖譜，5秒內把往來對象的疑慮程度可視化。與岡山大學共同實證，使用約3萬件過往審查資料，確認AI判定準確度95%以上（自家調查）。取得日本專利第7862062號，已有20個以上組織採用。惟依日本外匯及外國貿易法，最終做出鑑定的是貴公司的出口管制負責人，輸出結果請作為判定的佐證資料使用。這條界線在制度上無法移動。

企業內部的知識，本來也是相連的

出口管制看起來也許是極端的例子。但企業內部文件也一樣。

某份規格書屬於哪個案件、綁在哪個客戶、由誰撰寫、通過哪次審查、連到哪份不良報告。**在寫下的當下，這些全部是相連的。**把它放進資料夾、做成向量的那一刻，線就消失了。相似的文件會出來，但「過去有沒有同樣根因的案件」答不出來。

和製造業客戶談的時候，最常聽到的就是這個形狀的困擾。「同樣的不良，五年前好像別的事業部解決過。」承辦人有這個感覺，檢索卻找不出來。當年的報告還在，但把那份報告與現在這件案子連起來的線，哪裡都沒有記錄。也有人說過，人一離職，線就跟著消失。

ZEROCK採用GraphRAG，就是為了把這些線留下來。在日本國內的AWS伺服器上運作，管好誰能存取哪些知識，並以可追溯關係的形式保有。存取管控與圖其實相當合拍，因為**誰可以看哪個節點，這件事本身就能用邊來表達。**部門與權限，說到底也是關係。

今天就能試的兩件事

寫了這麼長，起手式其實很樸素。舉兩個。

**第一，在紙上畫一次綱要。**寫出自家業務中出現的五個「事物」，以及它們之間的五種「關係」。公司、產品、案件、人、法規。出資、供應、核准、引用、違反。光是這樣，就能看出目前持有的資料在哪些地方沒有記錄關係。大多數公司裡，關係只存在於郵件、會議，和某個人的腦袋裡。

第二，做十個問「關係」的問題，丟給現在的檢索。「把用到這個零件的產品全部列出來」「這個客戶所在產業裡，發生過類似不良的案件有哪些」「追溯這家往來對象的股東，上面有沒有名單上的事業體」。答不出來的問題，就是需要圖的地方。

回到開頭那句引言。我沒能查證那句話。即使如此，我仍然認為用圖來組建這件事是真的。**懷疑一句爆紅的話，與正面評價它背後的技術，這兩件事可以並存。**尤其是在法遵領域出產品的公司，兩件都得做。拿無法查證的說法當根據去改設計，才是最糟的做法。

不論是把企業內部知識重新用圖來保有，或是用圖來組建出口管制，聽到具體狀況會比較快。歡迎從個別諮詢與我們聯繫。

---

Footnotes

1. 本文查證的對象，是2026年7月至8月間由多個帳號擴散、主張提示詞將在六個月內消失的貼文。被取代的對象在各貼文之間並不一致，有的寫「self-improving loops」，有的寫「graphs」，有的兩者都列。截至本文撰寫時（2026年8月9日），在吳恩達本人的帳號、DeepLearning.AI的發布，以及史丹佛大學方面的公告中，均未能確認對應這句話的一手資料。這是查證失敗的事實記載，並非主張該發言不存在。擴散來源的貼文因含有以互動量為目的的轉載，此處不逐一列出網址。 ↩

2. DeepLearning.AI「Agentic Knowledge Graph Construction」。與Neo4j共同開發的課程，講師為該公司 Lead for GenAI Innovation 的 Andreas Kollegger。使用Google的Agent Development Kit（ADK）、Cypher與Neo4j，設計從結構化與非結構化資料中抽取節點與關係的多代理系統，建構用來找出產品問題根因的知識圖譜。難度 Intermediate，長度3小時8分，影片課12支、程式範例8個、評分作業1份。吳恩達並非本課程的講師。https://www.deeplearning.ai/courses/agentic-knowledge-graph-construction/ 同一課程目錄另有 Andreas Kollegger 講授的「Knowledge Graphs for RAG」，以及吳恩達講授的「Agentic AI」 https://www.deeplearning.ai/courses ↩ ↩²

3. 吳恩達2024年3月在自己的帳號上提出的代理式工作流四種設計模式（Reflection、Tool use、Planning、Multi-agent collaboration）。https://x.com/AndrewYNg/status/1773393357022298617 ↩ ↩²